في الفترة الأخيرة، بدأ الاهتمام بالتعلم الفيدرالي (Federated Learning) يتزايد بشكل كبير، نظرًا لقدرته على التعامل مع بيانات متعددة من عدة عملاء دون المساس بخصوصية المعلومات. لكن، يواجه هذا النظام مشكلة رئيسية تعرف بـ "النسيان الزمني"، حيث تتغير توزيعات البيانات الخاصة بالعملاء بمرور الوقت، مما يؤثر سلبًا على دقة النماذج.

تقنية Flashback، التي تمثل أحدث الأساليب لمواجهة النسيان، تعتمد على استخدام معدلات تجميع مستمرة لعدد التصنيفات على مستوى الفئات كمؤشر للمعرفة. لكن المشكلة تكمن في أن هذا المؤشر يمكن أن يصبح غير دقيق عندما تتغير توزيعات البيانات بشكل زمني.

استجابةً لهذه المشكلة، تم تطوير Flashback Continual Learning (FlashbackCL)، التي تشكل إضافة مهمة لأسلوب Flashback. هذه التقنية تتضمن ثلاث ميزات رئيسية: 1) احتساب labels بتقنية متناقص زمنياً، 2) استخدام ذاكرة تخزين مؤقتة مدروسة وفقاً لجهاز العميل مع استخدام تقنية التوزيع المتوازن للصناديق (Class-Balanced Reservoir Sampling - CBRS)، و3) تنسيق فعال على مستوى الخادم يتضمن تكوين مجموعات بيانات نشطة.

أظهرت النتائج على مجموعة بيانات CIFAR-10 مع 50 عميل أنها تحققت تحسينًا ملحوظًا يتراوح بين 6.9% و10.0% مقارنة بأسلوب Flashback، كما قللت النسيان الزمني بنسبة تصل إلى 68%. وبالإضافة إلى ذلك، أظهرت التجارب أن التنسيق باستخدام CBRS كان العنصر الحاسم في نجاح هذه التقنية.

من الواضح أن FlashbackCL لا تعزز من أداء Flashback فحسب، بل تقدم أيضًا تحسنًا بمعدل 3.5 نقطة على مجموعة بيانات CIFAR-100 الثابتة، مما يشير إلى أن إعادة اللعب المتوازن للفئات تعزز الاستقرار في التوزيعات الزمانية والمكانية.

إذا كنت مهتمًا بالتقنيات المتقدمة في الذكاء الاصطناعي وبتطوير الأنظمة الفعالة، فإن FlashbackCL تعطي مثالًا يحتذى به في هذا المجال.